Sesi 11: Forecasting Models | Business Decision Modeling

Sesi 11: Forecasting Models (Model Perakiraan)

Business Decision Modeling (BDM) | Referensi: Chapter 11 – Balakrishnan et al.

🎬 Pengantar Forecasting

Forecasting (Perakiraan) adalah upaya untuk memprediksi nilai-nilai di masa mendatang berdasarkan data historis dan analisis sistematis. Berbeda dengan “meramal” yang bersifat mistis, forecasting menggunakan metode matematis dan statistik untuk mengurangi ketidakpastian dalam pengambilan keputusan bisnis. Decision makers menggunakan forecasting untuk memprediksi penjualan, return investasi, permintaan produk, dan berbagai variabel penting lainnya.

Video kuliah lengkap tentang Forecasting Models menggunakan Excel — oleh Pak Aurinoworks

🔮 1. Apa Itu Forecasting? (Konsep Dasar untuk Pemula)

💡 Analogi Sederhana: Forecasting Seperti Ramalan Cuaca

Bayangkan Anda ingin pergi piknik besok. Anda mengecek prakiraan cuaca dari BMKG: “Besok cerah berawan, suhu 28°C, kemungkinan hujan 20%.” Berdasarkan informasi ini, Anda memutuskan untuk tetap pergi piknik tapi membawa payung.

Forecasting bisnis bekerja dengan cara yang sama! Kita menggunakan data masa lalu (pola cuaca historis) untuk memprediksi masa depan (cuaca besok), lalu membuat keputusan berdasarkan prediksi tersebut (bawa payung atau tidak).

Perbedaan penting: “Meramal” = mistis, tanpa data (contoh: ramalan zodiak). “Forecasting” = ilmiah, berbasis data dan metode matematis.

Definisi Formal Forecasting

Forecasting adalah seni dan ilmu untuk memprediksi kejadian di masa mendatang dengan menggunakan data historis sebagai input, kemudian mengolahnya dengan metode matematis/statistik untuk menghasilkan estimasi nilai di masa depan.

Mengapa Forecasting Penting?
Decision makers ingin mengurangi ketidakpastian dengan memprediksi nilai-nilai penting seperti:

Penjualan bulan depan: Berapa unit produk yang akan terjual?
Return investasi: Berapa keuntungan dari investasi saham tahun depan?
Permintaan produk: Berapa banyak bahan baku yang harus dibeli?
Harga komoditas: Bagaimana tren harga minyak/CPO/rupiah ke depan?

📊 Tiga Jenis Model Forecasting Utama

Perbandingan Tiga Jenis Model

Jenis Model	Karakteristik	Kapan Digunakan	Contoh Metode
1. Qualitative Models (Model Kualitatif)	Berdasarkan pendapat ahli, intuisi, dan penilaian subjektif. Tidak menggunakan data numerik historis.	Ketika data historis tidak tersedia (produk baru, teknologi baru, kondisi krisis).	Delphi Method, Jury of Executive Opinion, Sales Force Composite, Consumer Market Survey
2. Time-Series Models (Model Deret Waktu)	Menggunakan data historis dari variabel yang sama di masa lalu untuk memprediksi masa depannya. Asumsi: pola masa lalu akan berlanjut.	Ketika data historis tersedia dan ada pola yang stabil (trend, seasonal, cyclical).	Moving Average, Weighted Moving Average, Exponential Smoothing, Trend Projection, Seasonal Decomposition
3. Causal Models (Model Kausal/Sebab-Akibat)	Menggunakan hubungan sebab-akibat antara variabel yang diprediksi dengan variabel independen lainnya.	Ketika ada variabel lain yang mempengaruhi variabel yang diprediksi dan data tersedia.	Simple Linear Regression, Multiple Regression

🎓 Tips untuk Pemula

Ingat prinsip ini: “Tidak ada model forecasting yang sempurna!” Semua prediksi mengandung error. Yang penting adalah memilih model yang paling akurat (error paling kecil) untuk situasi tertentu.

Langkah umum dalam forecasting:

Pahami tujuan forecasting (apa yang ingin diprediksi?)
Kumpulkan data historis yang relevan
Pilih metode yang sesuai dengan karakteristik data
Buat model dan hitung prediksi
Ukur akurasi prediksi (bandingkan dengan data aktual)
Pilih model dengan akurasi terbaik
Gunakan model untuk prediksi masa depan

🇮🇩 Contoh Indonesia: Forecasting di Berbagai Industri

1. Retail (Indomaret/Alfamart): Memprediksi penjualan produk per cabang untuk menentukan stok yang harus dikirim dari gudang pusat. Menggunakan time-series models berdasarkan data penjualan 12 bulan terakhir.

2. Perbankan (BCA/Mandiri): Memprediksi jumlah nasabah yang akan mengajukan kredit bulan depan. Menggunakan causal models dengan variabel independen seperti suku bunga, inflasi, dan pertumbuhan ekonomi.

3. Startup Teknologi (Gojek/Tokopedia): Saat launching layanan baru (misal: GoFood di kota baru), tidak ada data historis. Menggunakan qualitative models dengan survei pasar dan pendapat ahli.

4. Manufaktur (Astra/T Astra): Memprediksi permintaan mobil per model untuk menentukan produksi. Menggunakan kombinasi time-series (pola penjualan historis) dan causal (pengaruh harga BBM, kurs dollar, insentif pemerintah).

🗣️ 2. Qualitative Forecasting Models (Model Kualitatif)

💡 Analogi Sederhana: Qualitative Models Seperti “Minta Pendapat Orang Pintar”

Bayangkan Anda ingin membuka bisnis kopi kekinian, tapi belum ada data penjualan karena ini bisnis baru. Apa yang Anda lakukan? Anda bertanya kepada:

Teman yang sudah punya bisnis kopi (pengalaman praktis)
Konsultan bisnis (ahli teori)
Calon pelanggan di lokasi rencana (target market)

Dari berbagai pendapat ini, Anda membuat estimasi penjualan. Inilah esensi qualitative forecasting!

Kapan Menggunakan Qualitative Models?

Qualitative models digunakan ketika:

Data historis tidak tersedia (produk baru, pasar baru)
Data historis tidak relevan (perubahan drastis lingkungan bisnis, teknologi baru)
Perlu mempertimbangkan faktor non-kuantitatif (perubahan regulasi, tren sosial)

📋 Empat Metode Qualitative Forecasting

1. Delphi Method (Metode Delphi)

Cara kerja: Mengumpulkan pendapat dari sekelompok ahli secara anonim melalui beberapa putaran kuesioner. Setelah setiap putaran, moderator memberikan ringkasan pendapat kelompok, dan ahli diminta merevisi pendapatnya.

Kelebihan: Menghindari dominasi satu ahli, pendapat lebih objektif karena anonim.

Kekurangan: Memakan waktu lama, butuh koordinasi intensif.

Contoh: Perusahaan farmasi ingin memprediksi adopsi teknologi mRNA untuk vaksin baru. Mengumpulkan 10 ahli virologi, epidemiologi, dan regulasi obat melalui 3 putaran kuesioner untuk mencapai konsensus.

2. Jury of Executive Opinion (Pendapat Dewan Eksekutif)

Cara kerja: Sekelompok eksekutif senior dari berbagai departemen (marketing, finance, operations) berkumpul dan membuat estimasi bersama.

Kelebihan: Cepat, memanfaatkan pengalaman kolektif, mudah diimplementasikan.

Kekurangan: Bisa didominasi satu eksekutif senior, “groupthink” (semua setuju karena takut berbeda pendapat).

Contoh: CEO Unilever Indonesia mengumpulkan GM Marketing, GM Sales, GM Finance, dan GM Supply Chain untuk memprediksi penjualan kuartal berikutnya.

3. Sales Force Composite (Komposit Tenaga Penjualan)

Cara kerja: Setiap salesperson membuat estimasi penjualan di wilayahnya. Estimasi ini direview oleh manajer regional, lalu digabungkan menjadi estimasi nasional.

Kelebihan: Salesperson paling tahu kondisi pasar di wilayahnya, estimasi bottom-up.

Kekurangan: Salesperson mungkin pesimis (agar target mudah dicapai) atau optimis berlebihan.

Contoh: 50 salesperson Astra Motor memberikan estimasi penjualan Honda Beat di wilayah masing-masing. Manajer regional review dan adjust, lalu digabungkan menjadi estimasi nasional.

4. Consumer Market Survey (Survei Pasar Konsumen)

Cara kerja: Melakukan survei langsung kepada konsumen atau pelanggan potensial tentang niat beli, preferensi, dan rencana pembelian.

Kelebihan: Data langsung dari sumber (konsumen), bisa mengungkap tren baru.

Kekurangan: Mahal, waktu lama, responden mungkin tidak jujur atau tidak tahu.

Contoh: Samsung ingin launching Galaxy S baru di Indonesia. Melakukan survei kepada 1000 responden di Jabodetabek, Surabaya, Medan tentang niat beli, harga yang bersedia dibayar, dan fitur yang diinginkan.

🎓 Tips untuk Pemula

Kualitatif ≠ Tidak Ilmiah! Meskipun qualitative models tidak menggunakan angka, prosesnya tetap sistematis dan terstruktur. Yang membedakan dengan “tebak-tebakan” adalah metodologi yang jelas dan pengumpulan pendapat dari sumber yang kompeten.

Best practice: Gabungkan qualitative dan quantitative models! Gunakan qualitative untuk memahami konteks dan asumsi, lalu validasi dengan quantitative models.

🇮🇩 Contoh Indonesia: Qualitative Forecasting di Era Pandemi

Situasi: Maret 2020, pandemi COVID-19 baru masuk Indonesia. Semua bisnis mengalami disrupsi total. Data penjualan 2019 tidak relevan karena kondisi berubah drastis.

Aplikasi Qualitative Models:

Hotel Bintang 5 di Bali: Tidak bisa pakai time-series karena okulasi turun dari 80% ke 5%. Menggunakan Delphi Method dengan mengumpulkan pendapat ahli pariwisata, epidemiolog, dan asosiasi hotel untuk memprediksi kapan pariwisata pulih.
Airlines (Garuda/Lion Air): Menggunakan Jury of Executive Opinion dengan mengumpulkan GM Operations, GM Commercial, GM Finance untuk memprediksi demand penerbangan dengan keterbatasan data historis yang relevan.
E-commerce (Tokopedia/Shopee): Menggunakan Consumer Market Survey untuk memahami perubahan perilaku belanja online selama PSBB (apakah konsumen akan tetap belanja online setelah pandemi?).

Pelajaran: Qualitative models sangat berharga saat terjadi disrupsi besar yang membuat data historis tidak relevan.

📏 3. Measuring Forecast Error (Mengukur Kesalahan Prediksi)

💡 Analogi Sederhana: Mengukur Akurasi Seperti Memanah

Bayangkan Anda belajar memanah. Anda menembak 10 anak panah ke target. Bagaimana Anda menilai kemampuan Anda?

Jarak rata-rata dari pusat: Semakin dekat dengan pusat, semakin akurat (mirip MAD/MAPE)
Seberapa menyebar anak panah: Jika semua anak panah mengelompok di satu titik (meski bukan di pusat), itu konsisten tapi tidak akurat. Jika menyebar ke segala arah, itu tidak konsisten (mirip MSE yang menghukum error besar)

Dalam forecasting: Kita membandingkan prediksi dengan aktual untuk mengukur “seberapa meleset” prediksi kita. Semakin kecil error, semakin akurat modelnya.

Mengapa Perlu Mengukur Error?

Tujuan mengukur error:

Membandingkan akurasi berbagai model forecasting
Memilih model terbaik untuk situasi tertentu
Menentukan parameter optimal (misal: nilai alpha di exponential smoothing)
Memantau performa model dari waktu ke waktu

📊 Tiga Ukuran Error yang Paling Umum

1. MAD (Mean Absolute Deviation) — Rata-rata Kesalahan Mutlak

Formula:

MAD = Σ|Actual – Forecast| / n

Penjelasan: Hitung selisih antara aktual dan prediksi (abaikan tanda negatif/positif), lalu rata-ratakan.

Kelebihan: Mudah dipahami, satuan sama dengan data asli.

Kekurangan: Tidak membedakan error kecil dan besar secara proporsional.

Contoh: Jika MAD = 50 unit, artinya rata-rata prediksi meleset 50 unit dari aktual.

2. MSE (Mean Squared Error) — Rata-rata Kesalahan Kuadrat

Formula:

MSE = Σ(Actual – Forecast)² / n

Penjelasan: Hitung selisih kuadrat antara aktual dan prediksi, lalu rata-ratakan.

Kelebihan: Memberikan “hukuman” lebih besar untuk error yang besar (karena dikuadratkan). Sensitif terhadap outlier.

Kekurangan: Satuan kuadrat (sulit diinterpretasi), sangat sensitif terhadap outlier.

Catatan: RMSE (Root Mean Squared Error) = √MSE, mengembalikan ke satuan asli.

3. MAPE (Mean Absolute Percentage Error) — Rata-rata Kesalahan Persentase

Formula:

MAPE = Σ|Actual – Forecast| / Actual × 100% / n

Penjelasan: Hitung persentase error untuk setiap periode, lalu rata-ratakan.

Kelebihan: Dalam bentuk persentase, mudah dibandingkan antar dataset dengan skala berbeda.

Kekurangan: Bermasalah jika Actual = 0 (pembagian dengan nol), bias terhadap underforecast.

Interpretasi: MAPE < 10% = sangat akurat, 10-20% = baik, 20-50% = acceptable, > 50% = perlu diperbaiki.

📋 Contoh Perhitungan Manual

Misalkan kita punya data penjualan 5 bulan terakhir:

Bulan	Actual (A)	Forecast (F)	Error (A-F)	\|Error\|	Error²	\|Error\|/A × 100%
1	100	110	-10	10	100	10.0%
2	120	115	5	5	25	4.2%
3	130	125	5	5	25	3.8%
4	140	135	5	5	25	3.6%
5	150	145	5	5	25	3.3%
Total				30	200	24.9%

Perhitungan:

MAD = 30 / 5 = 6 unit
MSE = 200 / 5 = 40
MAPE = 24.9% / 5 = 5.0% (sangat akurat!)

🎓 Tips untuk Pemula

Model mana yang dipilih? Bandingkan MAD/MSE/MAPE dari berbagai model. Pilih model dengan nilai terkecil (error paling kecil).

Kapan pakai MAD vs MSE vs MAPE?

MAD: Jika ingin interpretasi mudah (dalam satuan asli)
MSE: Jika ingin menghukum error besar (sensitif outlier)
MAPE: Jika ingin bandingkan akurasi antar dataset dengan skala berbeda

🇮🇩 Contoh Indonesia: Evaluasi Model Forecasting di Telkom

Situasi: Telkom ingin memprediksi jumlah pelanggan IndiHome bulan depan. Tim data science mencoba 3 model:

Model A (Moving Average 3 bulan): MAD = 5.000 pelanggan, MAPE = 2.5%
Model B (Exponential Smoothing α=0.3): MAD = 4.200 pelanggan, MAPE = 2.1%
Model C (Linear Regression dengan variabel iklan): MAD = 3.800 pelanggan, MAPE = 1.9%

Keputusan: Model C paling akurat (MAD dan MAPE terkecil). Namun, Model C butuh data budget iklan bulan depan. Jika data iklan belum tersedia, gunakan Model B sebagai alternatif terbaik.

Pelajaran: Model paling akurat belum tentu paling praktis! Pertimbangkan ketersediaan data dan kompleksitas implementasi.

📈 4. Time-Series Models: Moving Averages & Weighted Moving Averages

💡 Analogi Sederhana: Moving Average Seperti “Rata-rata Nilai Ujian Terakhir”

Bayangkan guru ingin memprediksi nilai ujian matematika Budi berikutnya. Daripada melihat semua nilai dari semester 1 (yang mungkin sudah lupa), guru hanya melihat 3 ujian terakhir: 75, 80, 85. Rata-ratanya = 80. Ini prediksi untuk ujian berikutnya.

Inilah Moving Average! Kita hanya mengambil rata-rata dari n periode terakhir untuk memprediksi periode berikutnya.

Komponen Time Series (Deret Waktu)

Data time series biasanya mengandung 4 komponen:

Trend (T): Pola naik/turun jangka panjang (contoh: penjualan smartphone terus naik 10 tahun terakhir)
Seasonality (S): Pola berulang dalam siklus tertentu (contoh: penjualan baju naik setiap Lebaran, turun setiap Januari)
Cyclical (C): Pola naik-turun jangka panjang (> 1 tahun) terkait siklus ekonomi (resesi, ekspansi)
Random/Irregular (I): Fluktuasi acak yang tidak bisa diprediksi (contoh: penjualan turun karena pandemi)

📊 Simple Moving Average (SMA)

Formula Moving Average

F_t+1 = (A_t + A_t-1 + … + A_t-n+1) / n

Keterangan:

F_t+1 = Forecast untuk periode berikutnya
A_t = Actual di periode t
n = Jumlah periode yang dirata-ratakan

Contoh: Moving Average 3 bulan untuk memprediksi penjualan April:

Bulan	Actual	Moving Average 3 Bulan	Forecast
Jan	100	–	–
Feb	120	–	–
Mar	130	(100+120+130)/3	116.7
Apr	140	(120+130+140)/3	130.0
Mei	150	(130+140+150)/3	140.0

Interpretasi: Prediksi penjualan April = 130 unit (rata-rata Jan, Feb, Mar).

Kelebihan dan Kekurangan SMA

✅ Kelebihan:

Mudah dihitung dan dipahami
Menghaluskan fluktuasi acak (random noise)
Cocok untuk data yang stabil (tidak ada trend/seasonality kuat)

❌ Kekurangan:

Tidak bisa menangkap trend (selalu “terlambat” mengikuti perubahan)
Memberikan bobot sama untuk semua periode (data lama dan baru dianggap sama pentingnya)
Butuh banyak data historis (minimal n periode)

⚖️ Weighted Moving Average (WMA)

Formula Weighted Moving Average

F_t+1 = w₁A_t + w₂A_t-1 + … + w_nA_t-n+1

Keterangan:

w_i = Bobot untuk periode ke-i (jumlah semua bobot = 1)
Bobot lebih besar diberikan untuk data yang lebih baru

Contoh: Weighted Moving Average 3 bulan dengan bobot 0.5, 0.3, 0.2 (data terbaru dapat bobot terbesar):

Bulan	Actual	Bobot	WMA Calculation	Forecast
Jan	100	0.2	–	–
Feb	120	0.3	–	–
Mar	130	0.5	0.5(130)+0.3(120)+0.2(100)	121.0
Apr	140	0.5	0.5(140)+0.3(130)+0.2(120)	133.0
Mei	150	0.5	0.5(150)+0.3(140)+0.2(130)	143.0

Perbandingan dengan SMA: WMA memberikan forecast 133 untuk April, sedangkan SMA memberikan 130. WMA lebih responsif terhadap data terbaru!

Kelebihan dan Kekurangan WMA

✅ Kelebihan:

Lebih responsif terhadap perubahan terbaru
Bisa disesuaikan dengan karakteristik data (pilih bobot yang sesuai)
Masih relatif mudah dihitung

❌ Kekurangan:

Penentuan bobot bersifat subjektif (butuh trial and error)
Masih tidak bisa menangkap trend kuat
Butuh data historis minimal n periode

🎓 Tips untuk Pemula

Berapa nilai n yang optimal?

n kecil (3-5): Lebih responsif, tapi sangat dipengaruhi fluktuasi acak
n besar (10-20): Lebih stabil, tapi lambat mengikuti perubahan
Best practice: Coba berbagai nilai n, hitung MAD/MSE/MAPE, pilih yang error terkecil

Di Excel: Gunakan fungsi =AVERAGE(range) untuk SMA. Untuk WMA, kalikan setiap data dengan bobotnya, lalu jumlahkan.

🇮🇩 Contoh Indonesia: Forecasting Stok Sembako di Bulog

Situasi: Bulog ingin memprediksi permintaan beras per minggu untuk menentukan distribusi ke daerah.

Data historis (ton/minggu):

Minggu	Actual	SMA-4	WMA-4 (0.4, 0.3, 0.2, 0.1)
1	500	–	–
2	520	–	–
3	510	–	–
4	530	515.0	517.0
5	540	520.0	523.5
6	560	525.0	529.5
7	580	532.5	541.0
8	600	545.0	557.0

Analisis: Terlihat ada trend naik (permintaan meningkat). SMA-4 memberikan forecast 545 untuk minggu 8, sedangkan WMA-4 memberikan 557. Aktualnya 600. Keduanya underforecast karena tidak bisa menangkap trend.

Solusi: Karena ada trend, Bulog sebaiknya menggunakan Trend Projection (linear regression) atau Exponential Smoothing dengan trend adjustment, bukan moving average.

Pelajaran: Moving average cocok untuk data stabil, tapi tidak cocok untuk data dengan trend kuat!

🎯 5. Exponential Smoothing (Penghalusan Eksponensial)

💡 Analogi Sederhana: Exponential Smoothing Seperti “Belajar dari Kesalahan”

Bayangkan Anda belajar menembak sasaran. Tembakan pertama meleset 10 meter ke kiri. Anda adjust: “Oke, next time saya geser 30% dari kesalahan saya.” Jadi Anda geser 3 meter ke kanan. Tembakan kedua meleset 5 meter ke kanan. Anda adjust lagi: geser 30% × 5 = 1.5 meter ke kiri.

Inilah Exponential Smoothing! Kita adjust forecast berdasarkan sebagian dari error periode sebelumnya. Parameter alpha (α) menentukan seberapa besar kita merespons error.

Formula Exponential Smoothing

Simple Exponential Smoothing

F_t+1 = F_t + α(A_t – F_t)

Atau bisa ditulis:

F_t+1 = αA_t + (1-α)F_t

Keterangan:

F_t+1 = Forecast untuk periode berikutnya
F_t = Forecast untuk periode saat ini
A_t = Actual untuk periode saat ini
α (alpha) = Smoothing constant, nilai antara 0 sampai 1
(A_t – F_t) = Error periode saat ini

🎚️ Memahami Parameter Alpha (α)

Alpha menentukan seberapa responsif model terhadap perubahan:

α dekat 0 (misal 0.1): Sangat smooth, lambat merespons perubahan. Cocok untuk data stabil.
α dekat 1 (misal 0.9): Sangat responsif, cepat merespons perubahan. Cocok untuk data fluktuatif.
α = 0.5: Keseimbangan antara smooth dan responsif.

📋 Contoh Perhitungan Manual

Misalkan kita punya data penjualan dengan α = 0.3:

Periode	Actual (A)	Forecast (F)	Error (A-F)	Perhitungan F_t+1
1	100	100.0*	0.0	100 + 0.3(0) = 100.0
2	120	100.0	20.0	100 + 0.3(20) = 106.0
3	130	106.0	24.0	106 + 0.3(24) = 113.2
4	140	113.2	26.8	113.2 + 0.3(26.8) = 121.2
5	150	121.2	28.8	121.2 + 0.3(28.8) = 129.8
6	145	129.8	15.2	129.8 + 0.3(15.2) = 134.4

*Catatan: Forecast periode 1 biasanya di-set sama dengan actual periode 1, atau rata-rata beberapa periode pertama.

🔍 Membandingkan Berbagai Nilai Alpha

Mari kita coba α = 0.1, 0.3, 0.5, 0.7 untuk data yang sama:

Alpha	MAD	MSE	MAPE	Karakteristik
0.1	18.5	450.2	12.8%	Sangat smooth, lambat adaptasi
0.3	15.2	320.5	10.5%	Balanced
0.5	16.8	380.1	11.6%	Cukup responsif
0.7	19.5	490.3	13.5%	Sangat responsif, terlalu sensitif

Keputusan: α = 0.3 memberikan error terkecil (MAD, MSE, MAPE paling rendah). Gunakan α = 0.3 untuk forecasting selanjutnya.

Kelebihan dan Kekurangan Exponential Smoothing

✅ Kelebihan:

Sangat mudah dihitung (hanya butuh 1 parameter: α)
Membutuhkan sedikit data historis (cukup forecast periode sebelumnya)
Memberikan bobot lebih besar untuk data terbaru (exponentially decreasing weights)
Fleksibel (bisa adjust α sesuai karakteristik data)

❌ Kekurangan:

Simple exponential smoothing tidak bisa menangkap trend atau seasonality
Penentuan α optimal butuh trial and error
Kurang akurat untuk data dengan pola kompleks

🎓 Tips untuk Pemula

Bagaimana memilih α optimal?

Coba berbagai nilai α (0.1, 0.2, 0.3, …, 0.9)
Hitung MAD/MSE/MAPE untuk setiap α
Pilih α dengan error terkecil
Di Excel, gunakan Solver untuk optimasi α secara otomatis

Variasi Exponential Smoothing:

Simple ES: Untuk data tanpa trend/seasonality
Double ES (Holt’s Method): Untuk data dengan trend, tanpa seasonality
Triple ES (Holt-Winters): Untuk data dengan trend DAN seasonality

🇮🇩 Contoh Indonesia: Forecasting Harga BBM di Pertamina

Situasi: Pertamina ingin memprediksi harga minyak mentah Indonesia (ICP – Indonesian Crude Price) untuk budget tahun depan.

Data historis (USD/barrel):

Bulan	Actual	ES α=0.2	ES α=0.5	ES α=0.8
Jan	75.0	75.0	75.0	75.0
Feb	78.0	75.6	76.5	77.4
Mar	82.0	76.9	79.3	81.1
Apr	80.0	77.5	79.6	80.2
Mei	85.0	79.0	82.3	83.2
Jun	88.0	80.8	85.2	86.6

Analisis: Data menunjukkan trend naik. Simple ES (berbagai α) cenderung underforecast karena tidak bisa menangkap trend.

Solusi: Gunakan Holt’s Method (Double Exponential Smoothing) yang bisa menangkap trend. Atau gunakan Linear Regression dengan time sebagai variabel independen.

Pelajaran: Exponential smoothing sederhana tidak cocok untuk data dengan trend. Pilih metode yang sesuai dengan pola data!

📊 6. Trend & Seasonality Analysis

💡 Analogi Sederhana: Trend & Seasonality Seperti “Musim dan Pemanasan Global”

Bayangkan suhu udara di Jakarta:

Seasonality: Setiap tahun ada pola yang sama — lebih panas di Oktober-November, lebih dingin di Januari-Februari (musim hujan). Pola ini berulang setiap tahun.
Trend: Dalam 20 tahun terakhir, rata-rata suhu naik 1°C karena pemanasan global. Ini trend jangka panjang.

Dalam forecasting: Kita perlu memisahkan kedua komponen ini agar prediksi akurat. Kalau hanya pakai moving average, kita tidak bisa menangkap trend dan seasonality!

📈 Linear Trend Analysis (Analisis Trend Linear)

Konsep Dasar

Jika data time series menunjukkan pola naik/turun yang konsisten (linear), kita bisa menggunakan regresi linear sederhana dengan waktu (t) sebagai variabel independen.

Y_t = a + bt

Keterangan:

Y_t = Nilai yang diprediksi di periode t
a = Intercept (nilai Y saat t=0)
b = Slope (perubahan Y per unit perubahan t)
t = Periode waktu (1, 2, 3, …)

Formula Least Squares untuk a dan b

b = (nΣtY – ΣtΣY) / (nΣt² – (Σt)²)

a = Ȳ – b·t̄

Keterangan:

n = Jumlah periode
Ȳ = Rata-rata Y
t̄ = Rata-rata t

📋 Contoh Perhitungan Trend Linear

Misalkan data penjualan (unit) selama 6 bulan:

Bulan (t)	Penjualan (Y)	t·Y	t²
1	100	100	1
2	110	220	4
3	125	375	9
4	130	520	16
5	145	725	25
6	160	960	36
Σ = 21	Σ = 770	Σ = 2.900	Σ = 91

Perhitungan:

n = 6, Ȳ = 770/6 = 128.3, t̄ = 21/6 = 3.5
b = (6×2900 – 21×770) / (6×91 – 21²) = (17400 – 16170) / (546 – 441) = 1230 / 105 = 11.71
a = 128.3 – 11.71×3.5 = 128.3 – 41.0 = 87.3

Persamaan Trend:

Y_t = 87.3 + 11.71t

Interpretasi: Setiap bulan, penjualan naik rata-rata 11.71 unit.

Prediksi bulan ke-7: Y₇ = 87.3 + 11.71(7) = 87.3 + 82.0 = 169.3 unit

🌊 Seasonality Analysis (Analisis Musiman)

Konsep Dasar

Seasonality adalah pola berulang dalam siklus tertentu (bulanan, kuartalan, mingguan). Untuk menangkap seasonality, kita hitung seasonal index (indeks musiman).

Langkah-langkah:

Hitung rata-rata untuk setiap musim (misal: rata-rata penjualan per kuartal)
Hitung rata-rata keseluruhan
Hitung seasonal index = (Rata-rata musim / Rata-rata keseluruhan) × 100%
Adjust forecast dengan seasonal index

📋 Contoh Perhitungan Seasonal Index

Data penjualan kuartalan selama 3 tahun:

Tahun	Q1	Q2	Q3	Q4	Total
2023	100	120	140	110	470
2024	110	130	150	120	510
2025	120	140	160	130	550
Total	330	390	450	360	1.530
Rata-rata	110	130	150	120	127.5

Perhitungan Seasonal Index:

Rata-rata keseluruhan = 1.530 / 12 = 127.5
Index Q1 = (110 / 127.5) × 100% = 86.3%
Index Q2 = (130 / 127.5) × 100% = 102.0%
Index Q3 = (150 / 127.5) × 100% = 117.6%
Index Q4 = (120 / 127.5) × 100% = 94.1%

Interpretasi: Q3 adalah musim puncak (117.6% dari rata-rata), Q1 adalah musim sepi (86.3% dari rata-rata).

Menggabungkan Trend dan Seasonality

Langkah forecasting:

Hitung forecast trend untuk periode yang diinginkan (misal: Q1 2026 = t=13)
Adjust dengan seasonal index

Contoh: Prediksi Q1 2026 (t=13):

Trend forecast: Y₁₃ = 87.3 + 11.71(13) = 87.3 + 152.2 = 239.5
Seasonal adjustment: 239.5 × 86.3% = 206.7 unit

🎓 Tips untuk Pemula

Di Excel: Gunakan fitur FORECAST.LINEAR() atau TREND() untuk trend analysis. Untuk seasonal index, hitung manual dengan formula di atas.

Visualisasi: Selalu buat scatter plot dengan trend line untuk melihat pola data. Excel bisa menambahkan trend line otomatis (klik kanan pada data → Add Trendline).

Uji signifikansi: Periksa R² (koefisien determinasi). R² > 0.7 berarti trend line cukup baik menjelaskan variasi data.

🇮🇩 Contoh Indonesia: Forecasting Penjualan Baju Lebaran

Situasi: Toko baju “Batik Keris” ingin memprediksi penjualan per kuartal tahun 2026.

Data historis (juta rupiah):

Tahun	Q1 (Jan-Mar)	Q2 (Apr-Jun)	Q3 (Jul-Sep)	Q4 (Okt-Des)
2023	500	400	450	1.200
2024	550	420	480	1.350
2025	600	440	510	1.500

Pola yang terlihat:

Trend: Penjualan meningkat setiap tahun (growth ~10%/tahun)
Seasonality: Q4 (Oktober-Desember) adalah puncak penjualan karena musim Lebaran dan akhir tahun. Q2 adalah musim sepi.

Forecasting untuk 2026:

Hitung trend linear berdasarkan data 12 kuartal (t=1 sampai 12)
Prediksi trend untuk Q1-Q4 2026 (t=13, 14, 15, 16)
Hitung seasonal index dari data historis
Adjust forecast trend dengan seasonal index

Hasil (contoh):

Q1 2026: Trend = 650, Index = 85% → Forecast = 552.5 juta
Q2 2026: Trend = 680, Index = 70% → Forecast = 476 juta
Q3 2026: Trend = 710, Index = 78% → Forecast = 553.8 juta
Q4 2026: Trend = 740, Index = 210% → Forecast = 1.554 juta

Keputusan bisnis: Dengan prediksi ini, Batik Keris bisa mempersiapkan stok, kampanye marketing, dan rekrutmen karyawan musiman untuk Q4 2026.

🔗 7. Causal Models: Simple & Multiple Regression

💡 Analogi Sederhana: Causal Models Seperti “Sebab-Akibat”

Bayangkan Anda ingin memprediksi berapa es krim yang terjual besok. Anda tahu ada hubungan sebab-akibat:

Semakin panas cuaca → semakin banyak es krim terjual
Semakin tinggi harga → semakin sedikit es krim terjual
Semakin besar budget iklan → semakin banyak es krim terjual

Causal models menggunakan hubungan sebab-akibat ini untuk prediksi! Kita tidak hanya melihat pola historis (time-series), tapi juga mempertimbangkan faktor-faktor yang mempengaruhi.

📈 Simple Linear Regression

Konsep Dasar

Simple linear regression memodelkan hubungan antara satu variabel independen (X) dengan satu variabel dependen (Y).

Y = a + bX

Keterangan:

Y = Variabel dependen (yang diprediksi, misal: penjualan)
X = Variabel independen (yang mempengaruhi, misal: budget iklan)
a = Intercept (nilai Y saat X=0)
b = Slope (perubahan Y per unit perubahan X)

Formula Least Squares

b = (nΣXY – ΣXΣY) / (nΣX² – (ΣX)²)

a = Ȳ – bX̄

📋 Contoh Simple Regression

Data budget iklan (juta rupiah) dan penjualan (unit) 6 bulan terakhir:

Bulan	Iklan (X)	Penjualan (Y)	XY	X²
1	10	100	1.000	100
2	12	115	1.380	144
3	15	130	1.950	225
4	18	145	2.610	324
5	20	160	3.200	400
6	22	175	3.850	484
Σ	97	825	13.990	1.677

Perhitungan:

n = 6, X̄ = 97/6 = 16.17, Ȳ = 825/6 = 137.5
b = (6×13990 – 97×825) / (6×1677 – 97²) = (83940 – 80025) / (10062 – 9409) = 3915 / 653 = 5.99
a = 137.5 – 5.99×16.17 = 137.5 – 96.9 = 40.6

Persamaan Regresi:

Penjualan = 40.6 + 5.99 × Iklan

Interpretasi: Setiap penambahan 1 juta rupiah budget iklan, penjualan naik rata-rata 5.99 unit.

Prediksi: Jika budget iklan bulan depan = 25 juta, maka:

Penjualan = 40.6 + 5.99(25) = 40.6 + 149.75 = 190.35 unit

📊 Koefisien Determinasi (R²)

Mengukur Seberapa Baik Model

R² (R-squared) mengukur seberapa baik variabel independen menjelaskan variasi variabel dependen.

R² = 0 → Model tidak menjelaskan apa-apa
R² = 1 → Model sempurna (semua variasi dijelaskan)
R² = 0.8 → 80% variasi Y dijelaskan oleh X

Rule of thumb: R² > 0.7 = model cukup baik, R² > 0.9 = model sangat baik.

🔗 Multiple Regression

Konsep Dasar

Multiple regression memodelkan hubungan antara dua atau lebih variabel independen dengan satu variabel dependen.

Y = a + b₁X₁ + b₂X₂ + … + bₖXₖ

Keterangan:

Y = Variabel dependen
X₁, X₂, …, Xₖ = Variabel independen
b₁, b₂, …, bₖ = Koefisien regresi untuk setiap variabel independen

📋 Contoh Multiple Regression

Memprediksi penjualan (Y) berdasarkan budget iklan (X₁) dan harga (X₂):

Penjualan = 150 + 4.5 × Iklan – 2.3 × Harga

Interpretasi:

Intercept = 150: Jika iklan = 0 dan harga = 0, penjualan = 150 unit (tidak realistis, tapi ini baseline)
b₁ = 4.5: Setiap penambahan 1 juta budget iklan, penjualan naik 4.5 unit (ceteris paribus)
b₂ = -2.3: Setiap kenaikan 1000 rupiah harga, penjualan turun 2.3 unit (ceteris paribus)

Prediksi: Jika iklan = 20 juta, harga = 50.000 rupiah:

Penjualan = 150 + 4.5(20) – 2.3(50) = 150 + 90 – 115 = 125 unit

Kelebihan dan Kekurangan Causal Models

✅ Kelebihan:

Mempertimbangkan hubungan sebab-akibat (lebih realistis)
Bisa memasukkan berbagai faktor yang mempengaruhi
Bisa digunakan untuk “what-if analysis” (misal: “Bagaimana jika kita naikkan budget iklan 20%?”)
Bisa memberikan insight tentang pengaruh relatif setiap faktor

❌ Kekurangan:

Butuh data untuk semua variabel independen (jika data iklan tidak tersedia, tidak bisa prediksi)
Asumsi hubungan linear mungkin tidak selalu tepat
Butuh asumsi bahwa hubungan sebab-akibat tetap stabil di masa depan
Risiko multikolinearitas (jika variabel independen saling berkorelasi tinggi)

🎓 Tips untuk Pemula

Di Excel: Gunakan Data → Data Analysis → Regression untuk simple dan multiple regression. Excel akan memberikan output lengkap: koefisien, R², p-value, dll.

Periksa asumsi:

Linearity: Hubungan X dan Y harus linear (cek scatter plot)
Independence: Residual harus independen (tidak ada autokorelasi)
Homoscedasticity: Varians residual harus konstan
Normality: Residual harus berdistribusi normal

Interpretasi p-value: Jika p-value < 0.05, variabel independen signifikan mempengaruhi variabel dependen.

🇮🇩 Contoh Indonesia: Forecasting Penjualan Mobil Toyota

Situasi: Toyota Astra Motor ingin memprediksi penjualan bulanan Avanza untuk budgeting dan produksi.

Variabel yang mempengaruhi:

X₁: Budget iklan (juta rupiah)
X₂: Harga Avanza (juta rupiah)
X₃: Suku bunga kredit (%)
X₄: Pertumbuhan ekonomi (GDP growth %)

Model Multiple Regression:

Penjualan = 2.500 + 0.8 × Iklan – 15 × Harga – 120 × Suku Bunga + 200 × GDP Growth

Interpretasi:

Setiap penambahan 1 miliar budget iklan → penjualan naik 800 unit
Setiap kenaikan 1 juta rupiah harga → penjualan turun 15 unit
Setiap kenaikan 1% suku bunga → penjualan turun 120 unit
Setiap kenaikan 1% GDP growth → penjualan naik 200 unit

Skenario Forecasting:

Skenario Optimis: Iklan = 10 miliar, Harga = 250 juta, Suku Bunga = 5%, GDP = 5.5% → Penjualan = 2.500 + 8.000 – 3.750 – 600 + 1.100 = 7.250 unit
Skenario Pesimis: Iklan = 5 miliar, Harga = 260 juta, Suku Bunga = 7%, GDP = 4.5% → Penjualan = 2.500 + 4.000 – 3.900 – 840 + 900 = 2.660 unit

Keputusan: Toyota bisa menggunakan berbagai skenario untuk perencanaan produksi dan inventori. Jika ekonomi diprediksi melambat, Toyota bisa kurangi produksi dan tingkatkan diskon.

🛠️ 8. Implementasi Forecasting di Excel

💡 Analogi Sederhana: Excel Seperti “Kalkulator Super”

Menghitung moving average manual untuk 100 periode? Melelahkan! Dengan Excel, Anda cukup ketik satu formula, drag ke bawah, selesai dalam 5 detik. Excel adalah “kalkulator super” yang bisa melakukan semua perhitungan forecasting secara otomatis.

📊 Fungsi-Fungsi Excel untuk Forecasting

1. Moving Average

Formula: =AVERAGE(B2:B4) (untuk 3-period MA)

Cara:

Masukkan data aktual di kolom B
Di kolom C (forecast), ketik =AVERAGE(B2:B4) di C5
Drag formula ke bawah untuk periode selanjutnya

2. Weighted Moving Average

Formula: =0.5*B4 + 0.3*B3 + 0.2*B2 (untuk 3-period WMA dengan bobot 0.5, 0.3, 0.2)

Cara:

Masukkan bobot di sel terpisah (misal: D1=0.5, D2=0.3, D3=0.2)
Di kolom forecast, ketik =$D$1*B4 + $D$2*B3 + $D$3*B2
Gunakan absolute reference ($) untuk bobot agar tidak berubah saat di-drag

3. Exponential Smoothing

Formula: =α*Actual + (1-α)*Forecast sebelumnya

Contoh dengan α=0.3:

Di C2 (forecast periode 1), ketik =B2 (set forecast = actual)
Di C3, ketik =0.3*B2 + 0.7*C2
Drag ke bawah untuk periode selanjutnya

4. Linear Trend (Regression)

Formula: =FORECAST.LINEAR(x, known_y’s, known_x’s)

Contoh:

Data actual di B2:B13 (periode 1-12)
Periode di A2:A13
Untuk prediksi periode 13: =FORECAST.LINEAR(13, B2:B13, A2:A13)

Alternatif: =TREND(known_y’s, known_x’s, new_x’s)

5. Multiple Regression

Cara:

Data → Data Analysis → Regression
Input Y Range: kolom variabel dependen
Input X Range: kolom variabel independen (bisa lebih dari satu)
Check “Labels” jika ada header
OK → Excel akan memberikan output lengkap

Output yang penting:

Coefficients: Nilai a, b₁, b₂, dll untuk persamaan regresi
R Square: Seberapa baik model menjelaskan variasi data
P-value: Signifikansi setiap variabel (p < 0.05 = signifikan)

📈 Visualisasi dengan Chart

Membuat Forecast Chart

Select kolom periode, actual, dan forecast
Insert → Line Chart
Chart akan menampilkan garis actual dan forecast
Tambahkan trend line: klik kanan pada data → Add Trendline
Pilih jenis trend (Linear, Exponential, dll)
Check “Display Equation on chart” dan “Display R-squared value”

🎓 Tips untuk Pemula

Template Excel: Buat template Excel standar untuk forecasting yang bisa digunakan berulang kali. Template ini berisi:

Input data historis
Perhitungan berbagai metode (MA, WMA, ES, Regression)
Perhitungan error (MAD, MSE, MAPE)
Chart perbandingan

Automasi: Gunakan Excel Solver untuk optimasi parameter (misal: mencari α optimal untuk exponential smoothing).

Add-in: Pertimbangkan menggunakan add-in seperti ExcelModules (dari buku Balakrishnan) atau Analysis ToolPak untuk memudahkan perhitungan.

🇮🇩 Contoh Indonesia: Template Forecasting untuk UMKM

Situasi: Seorang pemilik UMKM kopi ingin membuat template forecasting sederhana di Excel.

Struktur Template:

Kolom	Isi	Formula
A	Bulan (1, 2, 3, …)	Input manual
B	Penjualan Actual (cup)	Input manual
C	MA-3 Forecast	=AVERAGE(B2:B4)
D	WMA-3 Forecast (0.5, 0.3, 0.2)	=0.5B4+0.3B3+0.2*B2
E	ES Forecast (α=0.3)	=0.3B2+0.7C2
F	Error MA-3	=ABS(B5-C5)
G	Error WMA-3	=ABS(B5-D5)
H	Error ES	=ABS(B5-E5)

Di bagian bawah template:

=AVERAGE(F5:F16) → MAD untuk MA-3
=AVERAGE(G5:G16) → MAD untuk WMA-3
=AVERAGE(H5:H16) → MAD untuk ES

Keputusan: Bandingkan MAD ketiga metode, pilih yang terkecil. Template ini bisa digunakan setiap bulan dengan menambahkan data aktual terbaru.

⚠️ 9. Tantangan dan Best Practices dalam Forecasting

⚠️ Peringatan: Forecasting Bukan Bola Kristal!

Forecasting adalah estimasi, bukan kepastian. Semua model forecasting mengandung error. Yang bisa kita lakukan adalah meminimalkan error dan memahami keterbatasan model.

🚫 Kesalahan Umum dalam Forecasting

Menggunakan model yang salah: Pakai moving average untuk data dengan trend kuat, atau pakai linear regression untuk data non-linear.
Overfitting: Model terlalu kompleks, sangat akurat untuk data historis tapi buruk untuk prediksi masa depan.
Underfitting: Model terlalu sederhana, tidak bisa menangkap pola data.
Mengabaikan outlier: Data ekstrem (misal: penjualan melonjak saat pandemi) bisa merusak model.
Asumsi pola masa lalu berlanjut: Kondisi berubah (regulasi baru, kompetitor baru, teknologi baru), pola historis mungkin tidak relevan.
Tidak memvalidasi model: Langsung pakai model untuk prediksi tanpa uji akurasi terlebih dahulu.
Terlalu percaya pada satu model: Sebaiknya gunakan beberapa model dan bandingkan hasilnya.

✅ Best Practices dalam Forecasting

Ikuti langkah-langkah berikut untuk forecasting yang efektif:

Pahami tujuan: Apa yang ingin diprediksi? Untuk keputusan apa? Seberapa akurat dibutuhkan?
Kumpulkan data berkualitas: Data harus relevan, lengkap, dan akurat. “Garbage in, garbage out.”
Eksplorasi data: Buat chart, lihat pola (trend, seasonality, cyclical), identifikasi outlier.
Pilih beberapa metode: Jangan hanya pakai satu metode. Coba 2-3 metode yang sesuai dengan karakteristik data.
Ukur akurasi: Hitung MAD, MSE, MAPE untuk setiap metode. Bandingkan hasilnya.
Validasi model: Gunakan data historis untuk prediksi, bandingkan dengan aktual. Jika akurat, baru pakai untuk masa depan.
Monitor performa: Setelah implementasi, terus monitor akurasi prediksi. Jika error membesar, perbarui model.
Kombinasikan kualitatif dan kuantitatif: Gunakan judgment ahli untuk adjust hasil model jika ada informasi baru yang tidak tertangkap data.

🔄 Kombinasi Metode (Composite Forecasting)

Mengapa Kombinasi?

Penelitian menunjukkan bahwa kombinasi beberapa model forecasting seringkali lebih akurat daripada model tunggal. Ini karena setiap model punya kelebihan dan kekurangan, dan kombinasi bisa saling melengkapi.

Cara kombinasi:

Simple average: Rata-ratakan prediksi dari beberapa model
Weighted average: Berikan bobot lebih besar untuk model yang lebih akurat
Ensemble methods: Teknik canggih seperti bagging, boosting, stacking (machine learning)

📊 Memilih Metode yang Tepat

Karakteristik Data	Metode yang Disarankan	Metode yang Harus Dihindari
Data stabil, tidak ada trend/seasonality	Moving Average, Exponential Smoothing	Linear Regression (overkill)
Data dengan trend linear	Linear Regression, Holt’s Method	Simple Moving Average (akan underforecast)
Data dengan seasonality	Seasonal Decomposition, Holt-Winters	Simple Exponential Smoothing
Data dengan trend + seasonality	Holt-Winters, Multiple Regression dengan dummy variables	Simple methods (MA, ES)
Tidak ada data historis	Qualitative methods (Delphi, Survey)	Semua quantitative methods
Ada variabel independen yang relevan	Causal models (Regression)	Time-series methods (jika ingin analisis sebab-akibat)

🎓 Tips untuk Pemula

Mulai dari yang sederhana! Jangan langsung pakai model kompleks. Mulai dengan moving average atau exponential smoothing, pahami hasilnya, baru naik ke model yang lebih canggih jika diperlukan.

Visualisasi adalah kunci! Selalu buat chart untuk melihat pola data. Seringkali, chart bisa mengungkap pola yang tidak terlihat di tabel angka.

Document asumsi! Catat asumsi apa yang Anda buat (misal: “Asumsi trend linear akan berlanjut”, “Asumsi seasonality konsisten”). Ini penting untuk evaluasi dan revisi model di masa depan.

Update model secara berkala! Data baru masuk, kondisi berubah. Model yang akurat bulan ini bisa jadi tidak akurat bulan depan. Review dan update model setiap 3-6 bulan.

🇮🇩 Contoh Indonesia: Forecasting di Era Disrupsi Digital

Situasi: Taksi konvensional (Blue Bird) menghadapi disrupsi dari ride-hailing (Gojek/Grab). Data historis penjualan 2010-2015 tidak relevan untuk prediksi 2016-2020 karena perubahan drastis di industri.

Kesalahan yang bisa terjadi:

Menggunakan time-series models tanpa mempertimbangkan disrupsi → akan overestimate penjualan
Mengabaikan qualitative insights dari driver dan pelanggan

Best practice yang diterapkan Blue Bird:

Kombinasi kualitatif dan kuantitatif: Gunakan Delphi method dengan pakar transportasi untuk memahami dampak disrupsi, lalu adjust model kuantitatif.
Skenario planning: Buat berbagai skenario (optimis, moderat, pesimis) berdasarkan adopsi ride-hailing.
Adaptasi bisnis: Blue Bird akhirnya meluncurkan aplikasi sendiri dan bermitra dengan Gojek, mengubah model bisnis.
Continuous monitoring: Monitor market share bulanan, adjust strategi berdasarkan data real-time.

Pelajaran: Di era disrupsi, forecasting bukan hanya soal angka, tapi juga adaptasi strategis. Model forecasting harus fleksibel dan bisa di-update cepat sesuai perubahan lingkungan bisnis.

💡 Kesimpulan untuk Mahasiswa:
Forecasting adalah seni dan ilmu memprediksi masa depan. Tidak ada model yang sempurna, tapi dengan memilih metode yang tepat, mengukur akurasi, dan terus memperbaiki model, kita bisa membuat prediksi yang semakin akurat. Ingat: “All models are wrong, but some are useful” (George Box). Yang penting bukan prediksi yang 100% akurat, tapi prediksi yang cukup baik untuk mendukung keputusan bisnis.

LP Business Decision Modeling